De detailhandel is een sector waarin AI zich op twee niveaus tegelijk nestelt. Aan de ene kant staan de grote, zichtbare systemen: voorraadprognoses, prijsoptimalisatie, aanbevelingsengines op de webshop, chatbots in de klantenservice. Die zijn meestal wel bekend bij IT en inkoop, want ze zijn ergens aangeschaft en geïmplementeerd. Aan de andere kant staat een veel diffuser landschap: individuele medewerkers op de winkelvloer, in marketing of in inkoop die een AI-tool gebruiken om productbeschrijvingen te schrijven, klantvragen te beantwoorden, campagnebeelden te genereren of concurrentieprijzen te scrapen. Die tweede laag is meestal groter dan de eerste, simpelweg omdat de drempel om een gratis of goedkope tool te proberen laag is en het effect direct voelbaar is: sneller een advertentietekst, sneller een reactie op een klacht.
Daar komt bij dat de detailhandel vaak met veel tijdelijke en flexibele medewerkers werkt, verspreid over meerdere vestigingen of kanalen. Dat maakt het moeilijker om één centraal overzicht te hebben van wie welke tools gebruikt, en waarom. Een hoofdkantoor kan een duidelijk beleid hebben voor de systemen die het zelf heeft ingekocht, terwijl op vestigingsniveau of binnen een webshop-team AI-toepassingen ontstaan die nergens zijn geregistreerd. De verhouding tussen wat centraal is goedgekeurd en wat lokaal is ontstaan, is in deze sector doorgaans scheef: het aantal officieel aangeschafte systemen is beperkt, het aantal individuele toepassingen dat medewerkers zelf zijn gaan gebruiken is doorgaans veel groter.
De term schaduw-AI klinkt technisch, maar in de detailhandel is het praktisch: het is de tool die een marketingmedewerker gebruikt om social media-posts te genereren, de chatbot die een klantenserviceteam zelf heeft geconfigureerd, of het AI-model dat wordt ingezet om reviews te analyseren zonder dat dit ooit door IT of juridische zaken is bekeken. Dit gebeurt zelden uit onzorgvuldigheid. Het gebeurt omdat de tools toegankelijk zijn, omdat de druk op snelheid hoog is, en omdat niemand expliciet heeft gezegd dat het niet mag.
De IT-lijst van goedgekeurde software geeft daarom een onvolledig beeld. Wie een compleet beeld wil, moet het aan de mensen zelf vragen. Dat lukt alleen als die vraag zonder consequenties wordt gesteld. Zodra medewerkers vermoeden dat het melden van AI-gebruik tot een correctie of een verbod leidt, verdwijnt de informatie weer uit het zicht en verschuift het gebruik naar privé-apparaten of persoonlijke accounts. Een inventarisatie die begint met het uitsluiten van afrekening levert een ander soort antwoord op dan een audit die begint met het zoeken naar overtredingen.
Een AI-tool die productbeschrijvingen herschrijft, heeft een andere impact dan een systeem dat automatisch prijzen aanpast op basis van vraag en concurrentie, of een tool die klantdata gebruikt om aanbevelingen te doen. In de detailhandel is de classificatie naar rol en risiconiveau daarom van belang: gaat het om een ondersteunend hulpmiddel, om een systeem dat beslissingen voorbereidt, of om een systeem dat zelfstandig beslissingen neemt die klanten direct raken, zoals dynamische prijsstelling of geautomatiseerde afwijzing van retouren? Die indeling bepaalt welk niveau van toezicht en documentatie logisch is, en welke systemen aandacht vragen van bestuur of risicomanagement en welke binnen een team kunnen worden afgehandeld.
Detailhandelsorganisaties hebben doorgaans al risicostructuren voor zaken als productveiligheid, privacywetgeving rond klantdata, of financiële controle bij prijsstelling. AI-governance hoeft geen nieuw, apart proces te zijn naast die structuren. Het werkt beter wanneer de inventarisatie van AI-gebruik wordt gekoppeld aan bestaande risicocategorieën, zodat een systeem dat klantdata verwerkt via hetzelfde kanaal wordt beoordeeld als andere privacygevoelige processen, en een prijsalgoritme via dezelfde lijn loopt als andere commercieel gevoelige beslissingen. De actuele regelgeving rond AI-systemen verandert; de precieze verplichtingen en termijnen staan elders beschreven. Wat hier telt, is het mechanisme: weten wat er draait, weten wie het gebruikt, en weten hoe risicovol het is voordat er een externe aanleiding is om het uit te zoeken.
De uitdagingen verschillen per sector, ook al is het onderliggende mechanisme vergelijkbaar. Wie wil vergelijken hoe dit uitpakt in een sector met veel klantcontact en flexibele arbeid, vindt dat in de beschrijving van AI-governance in de horeca, terwijl een sector met sterke ketenafhankelijkheden en fysieke processen wordt behandeld in de analyse van AI-governance in de agrarische sector. Voor organisaties die zelf veel software ontwikkelen of inkopen, is het overzicht van AI-governance in de ICT-sector relevant, en wie handelt met sterk gereguleerde klantdata kan de vergelijking maken met AI-governance in de financiële dienstverlening.
Een inventaris van AI-gebruik laat zien wat er draait en wie het gebruikt, maar geeft nog geen antwoord op de vraag wat dat betekent voor de inrichting van het werk zelf. In de detailhandel, waar taken vaak routinematig en goed afgebakend zijn — van klantvragen beantwoorden tot productteksten schrijven — is die vervolgvraag reëel. De werkscan van FTE TO AI rekent per taak uit welk deel van het werk door AI over te nemen is, op basis van de taken zoals ze feitelijk worden uitgevoerd. Waar de Responsible AI Scan in kaart brengt wat er gebeurt en onder welk risiconiveau dat valt, biedt de werkscan het perspectief van de organisatie van het werk: welke taken zich lenen voor overname, en in welke mate.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.